MiniWorld：从零开始训练视频世界模型的民主化

arXiv 2026 67.5 method

TLDR

MiniWorld是一个轻量级可复现框架，使用块因果视频扩散变换器从零训练自回归视频世界模型。

评分理由

The paper's strength lies in addressing the complexity and resource demands of prior methods by offering a fully reproducible baseline trained from scratch. However, the abstract lacks explicit mention of real-world benchmarks or empirical evaluations, and the claims about democratization are not supported by concrete results in the visible text.

Read-first 评分解释

综合优先阅读分 67.5，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 59。

近期性 8%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

主题相关性 42%

84.3

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：检查点、代码

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：289。

关键词评分

world model

video world model

generative world model

world dynamics prediction

interactive world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

一个轻量级、可复现的框架，无需依赖预训练视频生成模型，即可从零开始训练流式视频世界模型。
在预训练视频VAE的潜空间中采用块因果视频扩散变换器与流匹配。
基于扩散强制的分块非递减噪声调度和两阶段持续训练，改善了时间建模和稳定性。
滚动KV缓存与流水线异步去噪，在有限计算下实现高效流式生成。
整个模型可在单个8-GPU服务器上数天内完成训练，降低了使用门槛。

方法

MiniWorld使用块因果视频扩散变换器，在预训练视频VAE的潜空间中通过流匹配进行训练，并采用分块非递减噪声调度和两阶段持续训练以提高稳定性。推理时采用滚动KV缓存和流水线异步去噪，实现高效的自回归流式生成。

关键结果

整个MiniWorld模型可在单个8-GPU服务器上数天内从零开始训练，展示了可访问性和可复现性。

技术栈

Video Diffusion TransformerFlow MatchingVideo VAEDiffusion ForcingRolling KV CachePipelined asynchronous denoising

资源

论文